الفهرس 
الإطار العام للدراسة والدراسات السابقةيوجد فقط 14 صفحة متاحة للعرض العام
 |  | from | 22 |  |  |
| | | from | 22 | | |
المستخلص
استُخدمت القيمة الاحتمالية p-value على مر السنوات لقياس معنوية نتائج البحوث العلمية. فعندما تكون أقل من مستوى المعنوية المحدد (على سبيل المثال، p-value<0.05)، يدل ذلك على معنوية النتائج إحصائيًا، وعندما تكون أكبر من قيمة مستوى المعنوية، يدل ذلك على عدم معنوية النتائج إحصائيًا. بالرغم من ذلك، تعرضت p-value إلى العديد من الانتقادات باعتبارها ليست مقياسًا مفيدًا للدلالة الإحصائية، وأنها من أسباب الفشل في تكرار نتائج البحوث العلمية، كما أن معظـم الاستنتاجـات العلمية التي اعتمدت عليها تُعد استنتاجات خاطئة. الأمر الذي دفع العلماء إلى البحث عن طرق بديلة. وقد جادل البعض أن عامل بايز Bayes Factor أفضل منها في قياس قوة الدلالة الإحصائية.
هدف الدراسة: بيان تداعيات دعوة التحول من استخدام اختبارات المعنوية الإحصائية (p-value) إلى استخدام عامل بايز كبديل، وأثر ذلك التحول على نتائج البحوث العلمية. علاوة على ذلك، هدفت الدراسة إلى معرفة ما إذا كان عامل بايز سيعطي أدلة إحصائية قوية مقارنة بقيمة p-value، الأمر الذي سيؤدي إلى تحسين نتائج البحوث العلمية، أم ستظل p-value هي المقياس الإحصائي الأكثر موثوقية في البحوث.
منهجية الدراسة: في إطار استكشاف المطالبات بالتحول من القيمة الاحتمالية إلى عامل بايز، تم إجراء دراستين، الأولى تطبيقية، والثانية تجريبية. تم من خلال الدراسة التطبيقية استخدام عامل بايز في إعادة تحليل 737 نتيجة غير دالة إحصائيًا من منظور p-value، مستخلصة من 57 مقالة بحثية منشورة في المجلتين العلميتين التابعتين لكليـة التجـارة جامعة عين شمس؛ وهما: (أ) مجلـة الفكـر المحاسبـي، (ب) المجلة العلمية للاقتصاد والتجـارة، خلال الر بع الأول لعام 2017م وحتى الربع الثاني لعام 2020م. تم حساب عوامل بايز من النتائج المنشورة اعتمادًا على قيمة كلًا من اختبار t، وحجم العينة n، وعدد المتغيرات المستقلة k؛ لتحديد مدى توافق النتائج من منظور عامل بايز مقارنة مع p-value، وهل غير الدال وفقًا للقيمة الاحتمالية سيتغير ويصبح دال بعد تطبيق عامل بايز، أم ستظل النتيجة كما هي. من ناحية أخرى، كي يتمكن الباحث من إجراء معالجة كاملة للبيانات (وليس النتائج) تحت نفس الظروف مرة باستخدام p-value ومرة أخرى باستخدام عامل بايز، تم تنفيذ الدراسة التجريبية. تم من خلال الدراسة التجريبية استخدام التحليل الكلاسيكي اعتمادًا على p-value، والتحليل البايزي اعتمادًا على عامل بايز، لتحليل 15 ملف للبيانات الأولية المخصصة لنماذج الانحدار الخطي، والمستخرجة من المستودع الرقمي للتعلم الآلي UCI، احتوت على عينات تراوحت مشاهداتها بين 103 كحد أدنى، و241600 كحد أعلى. تم بناء نماذج الانحدار الكلاسيكي باستخدام طريقة الانحدار المتدرج، وسُجلت قيم p-value، كما تم بناء جميع النماذج الممكنة باستخدام التحليل البايزي، وسجلت قيمة عامل بايز. من ثم تم المقارنة بين المقياسين لتقرير ما إذا كانت معنوية النتائج ستختلف كثيرًا أم ستكون متقاربة.
نتائج الدراسة: كشفت الدراسة التطبيقية أن نسبة ليست بقليلة من النتائج غير الدالة إحصائيًا التي تم ذكرها بالأوراق البحثية المختارة، استندت على أدلة ضعيفة لصالح الفرض العدم، ولم يوجد دليل قاطع بتلك النسبة على عدم معنوية النتائج. فقد قدمت 14% من النتائج دليلًا ضعيفًا لصالح الفرض العدم (1<BF01<3)، 42% قدمت دليلًا متوسطًا (3<BF01<10)، 44% قدمت دليلًا قويًا (10<BF01<30). في حقيقة الأمر، بالكاد تجاوزت نسبة 14.4% من النتائج الحد الأدنى لاعتبار الدليل متوسط، والذي يقترب بطبيعة الحال من الدلالة الضعيفة لصالح الفرض العدم. هذا ولم يُعط عامل بايز الافتراضي ولو لمرة واحدة دلالة قوية جدًا (30<BF01<100) أو شديدة القوة (BF01>100) لصالح الفرض العدم عند أي مستوى للمعنوية بداية من 1% حتى 90%. أيضًا، كشفت الدراسة التطبيقية أنه عند مستويات معنوية 1% و5% لا يمكن الجزم بعدم وجود تأثير، بينما عند 10% و20% و30% حدث اتفاق بين p-value وعامل بايز، مع ذلك لم يُقدم دليل حاسم على عدم معنوية النتائج، في حين أنه بداية من مستوى 40% نهاية بمستوى 90%، يمكن الادعاء بعدم وجود تأثير نتيجة لارتفاع نسبة الدلالة القوية لصالح الفرض العدم. أخيرًا، كشفت الدراسة التجريبية، أنه في حوالي 29.6% من الحالات (بواقع 8 حالات) اختلف القرار بين p-value وعامل بايز في تحديد عدد المتغيرات المستقلة الدالة بالنماذج. منها 7 حالات زاد فيها عدد المتغيرات المستقلة الدالة بالتحليل البايزي عن التحليل الكلاسيكي، وحالة واحدة فقط زاد فيها عدد المتغيرات المستقلة بالتحليل الكلاسيكي عن التحليل البايزي. الأمر الذي يُشير إلى عدم كفاءة طريقة الانحدار المتدرج في تحديد المتغيرات المعنوية، لأنه باستخدام تلك الطريقة تم استبعاد بعض المتغيرات، والتي اتضح أن لها تأثير عندما أعطيت الفرصة لعامل بايز.
التوصيات: يقترح الباحث الاستعانة بعامل بايز عند الرغبة في تحديد مدى مساهمة المتغيرات المستقلة وتأثيرها على المتغير التابع، أو عند قياس قوة الدلالة الإحصائية للنتائج، خاصة غير المعنوية منها، لأنه يتفوق نسبيًا على p-value في اختبار الفروض. بالتالي، مهما كانت دلالة النتائج وفقًا لمعيار p-value، ينبغي عدم الجزم بالنتيجة واعتبارها نتيجة نهائية، إلا بعد القيام بحساب عامل بايز للتأكيد على ذلك. إن لزم الأمر، لا ينبغي أن تستخدم p-value نهائيًا بمعزل عن عامل بايز، من أجل التوصل إلى تقييم أكثر ملاءمة للنتائج، بالإضافة إلى توفير مزيد من المعلومات التي من شأنها المساعدة في اتخاذ القرار النهائي.